【Python】YouTube動画から字幕をテキスト情報として抽出する

so look ladies and gentlemen i know a
lot of you guys watching this video are
feeling incredibly stuck in your lives
you have these incredible goals dreams
aspirations but you just don't know how
to accomplish them now if that is you i
need you to listen very very very
closely to the rest of this video

以下省略

見てください、紳士淑女の皆さん、
このビデオを見ている多くの人が自分の
人生に信じられないほど行き詰まっていると感じていることを知っています。

あなたにはこれらの素晴らしい目標や夢のような願望があるのに、
今はそれを達成する方法が分からないのです。もしそれがあなたなら、
聞いてください。
このビデオの残りの部分と非常に非常に近いです。

以下省略

pip install yt-dlp
pip install bs4
pip install lxml

import os
from bs4 import BeautifulSoup
from yt_dlp import YoutubeDL


# 手動設定箇所
URL = "https://www.youtube.com/watch?v=XjV4HYZTJB8"  # 対象動画のURL
LANG = "en" # "ja"に変更すると日本語で出力

# 変更不要設定
URLS = [URL]
FORMAT = "ttml"


# 動画タイトル取得
with YoutubeDL() as ydl:
    info = ydl.extract_info(URL, download=False)
    title = info["title"].replace(" ", "_")


# 字幕取得用オプション
ydl_opts = {
    "skip_download": True,  # 動画自体のダウンロードスキップ
    "writeautomaticsub": True,  # 自動設定字幕を取得
    "subtitleslangs": [LANG],  # 言語設定
    "subtitlesformat": FORMAT,  # 出力フォーマット（一次ファイルとして使ってます）
    "outtmpl": title  # 出力ファイル名
}

# 字幕ダウンロード（ファイル出力。この時点ではttml形式のごちゃごちゃした状態）
with YoutubeDL(ydl_opts) as ydl:
    ydl.download(URLS)


# 以下で一時的に出力したttml形式ファイルをtxt形式に整形
downloaded_file = f"{title}.{LANG}.{FORMAT}"
with open(downloaded_file, mode="r") as f:
    contents = f.read()

soup = BeautifulSoup(contents, "xml")
p_tags = soup.find_all("p")

subtitles = [tag.get_text() for tag in p_tags]  # pタグ内のテキスト情報だけ取得
subtitle = "\n".join(subtitles)
subtitle = "\n\n".join([info["title"], subtitle])
with open(f"{title}.{LANG}.txt", mode="w") as f:
    f.write(subtitle)


# 不要になった一次ファイル削除
os.remove(downloaded_file)

python extractor.py